人工智慧為什麼不用高階邏輯
2021年7月8日，上海——上海人工智慧實驗室釋出開源平臺體系OpenXLab，並推出了旗下全球首個覆蓋學術界演算法和工業級廣泛需求的決策AI平臺OpenDILab，推動人工智慧發展從感知智慧到決策智慧的躍遷。OpenDILab不僅實現了最全面的演算法覆蓋，卓越的演算法效能，還提供了豐富的工業級應用環境，推動產學研融合創新，引領AI技術邁向更高階的通用智慧時代。
打通產研需求閉環，引領AI邁向高階決策智慧
決策AI作為下一代人工智慧的發展方向已成行業共識。過去10年，感知AI已經讓機器具備了從“看清”到“看懂”的能力，而決策AI將進一步推動AI向推理、決策、規劃等方向發展，在未來10年將為自動駕駛、智慧城市等領域帶來顛覆性創新。然而相較於感知識別，決策類問題因涉及多模態資料空間、跨尺度計算邏輯、多領域演算法融合，標準化難度高。此外，由於學術界和工業界對問題的定義也不盡相同，一直以來很多學術成果都很難轉化為工業場景，學術演算法也很難實現跨場景應用。
針對決策AI的技術難題，以及產學研協同創新過程中的諸多痛點，上海人工智慧實驗室此次釋出的革命性的決策AI平臺OpenDILab，首次將產業應用中對於訓練系統、環境介面、演算法設計的需求與學術界進行了有效連線，底層依託創新的DI-engine實現了多種決策AI問題的標準化，中層提供全面豐富的決策類AI基礎演算法集，頂層整合多種工業級生態應用，自下而上打通決策AI研究與產業需求的閉環。
全新的OpenDILab將涵蓋應用層、演算法層、訓練層、支援層四大模組，充分拓寬決策AI技術在學術研究和工業實踐中的深度和廣度。其中，應用層將提供多種決策場景和大量效能優異的運算元，助力AI做出最優決策；演算法層則提供多種常用模組化元件，支援使用者多維度的擴充套件和定製，完成決策AI演算法的大統一；訓練層內建了多種型別的執行計算圖，可為小到學術研究，大到工業級應用的多種規模問題提供支援；支援層能夠支援異構計算和決策AI演算法的結合，並在資源排程方面可依據演算法和資源，動態管理整個訓練過程，提供異常自動化維護等多種微服務。
凝聚生態力量，加速決策AI行業應用創新
依託OpenDILab，基於豐富的決策AI演算法，構建一個到手即用的工業應用生態成為可能，這將降低開發人員復現演算法的難度，提高學術研究效率，加快學術成果的轉化速度，從而減少產業界的研發成本和重複投入。秉承這一理念，OpenDILab提供的決策類AI基礎演算法集DI-zoo將透過全面、高效的演算法庫，為研究者提供收斂快、上限高的演算法實現，同時整合的DI-star、DI-drive等面向策略遊戲、自動駕駛等領域的多種工業級生態應用，更將進一步幫助各行各業在決策AI的驅動下，實現關鍵的技術和應用突破。
DI-zoo涵蓋目前同類框架中最全的決策AI演算法群，並對每一個演算法在不同的學術界環境上進行了精心的適配，同時加入了大量基於研究員經驗的深度效能調優，使得相同演算法對比原始論文和同類框架在精度上和效率上都有顯著的提升。藉助DI-zoo，使用者無需進行額外的引數、程式碼調整，就可以在不同的任務中一鍵實現最強的演算法效能，讓深度學習更深，讓強化學習更強。
DI-star是面向策略遊戲《星際爭霸II》的大規模分散式訓練平臺，可以讓AI在這款當前決策AI研究使用最廣泛、最有效的遊戲中同時進行大量對局，透過自我博弈不斷進化，由此探索智慧決策互動在產業界中的應用。DI-drive則是一套自動駕駛模擬訓練平臺，可透過決策AI在模擬器中構建極度貼近真實的訓練和評測場景，讓AI在自動駕駛的複雜互動環境中實現更加精準的決策、規劃和控制，真正加速高級別自動駕駛的創新步伐。
今年年底，OpenDILab還將提供諸如AutoML、信控等更多的工業級生態應用。伴隨這些應用的不斷更新和拓展，OpenDILab將為決策AI在更多行業、更多場景的應用，提供堅實的學術研究基礎，最終形成產學研協同共創的開源生態，加速下一代人工智慧的重大技術突破和創新應用的落地。